yolov3(ultralytics yaml版) pytorch-＞onnx-＞ncnn_ncnn部署yolov3

此命令将预训练的 YOLOv3模型(默认yolov3.pt，或者yolov3-tiny.pt)导出为 ONNX、TorchScript 和 CoreML 格式。

python models/export.py --weights weights/yolov3.pt --img 640 --batch 1
1

输出：

3 个导出的模型（yolov3.mlmodel , yolov3.onnx , yolov3.torchscript.pt）将与原始 PyTorch 模型一起保存

python detect.py --weights weights/yolov5s.onnx --view-img
1

速度慢

推荐使用Netron Viewer来可视化导出的模型，显示网络结构：

python
import netron
netron.start('yolov3.onnx')
1
2
3

五，简化onnx文件

1.安装简化器

pip install onnx-simplifier
1

2.执行指令

python -m onnxsim  onnx_inputpath onnx_outputpath
python -m onnxsim yolov3-tiny.onnx yolov3-tiny-sim.onnx（tiny版）
1
2

六、onnx转换为 ncnn 模型

~/ncnn/build/tools/onnx$ onnx2ncnn yolov3-tiny-sim.onnx yolov3-tiny-sim.param yolov3-tiny-sim.bin
1

ncnnoptimize优化：
用 ncnnoptimize 过一遍模型，顺便转为 fp16 存储减小模型体积，两种都OK一样。

$ ncnnoptimize yolov5s.param yolov5s.bin yolov5s-opt.param yolov5s-opt.bin 65536
$ ncnnoptimize yolov5s.param yolov5s.bin yolov5s-opt.param yolov5s-opt.bin 1
1
2

其中最后的flag 如果是0指的的是fp32，如果是1指的是fp16